建设英文版网站,企业网站开发 外文文献,网站源码推荐,网站建设的宣传词基于迁移深度学习的雷达信号分选识别
人工智能技术与咨询 来源#xff1a;《软件学报》 #xff0c;作者王功明等
摘要: 针对当前雷达信号分选识别算法普遍存在的低信噪比下识别能力差、特征参数提取困难、分类器模型参数复杂等问题#xff0c;提出了一种基于时频分析、深…基于迁移深度学习的雷达信号分选识别
人工智能技术与咨询 来源《软件学报》 作者王功明等
摘要: 针对当前雷达信号分选识别算法普遍存在的低信噪比下识别能力差、特征参数提取困难、分类器模型参数复杂等问题提出了一种基于时频分析、深度学习和迁移学习融合模型的雷达信号自动分选识别算法。首先通过引入的多重同步压缩变换得到雷达信号的时频图像然后利用灰度化、维纳滤波、双三次插值法和归一化等手段对时频图像进行预处理最后基于迁移学习的方法以GoogLeNet和ResNet模型为基础完成了对雷达信号的离线训练和在线识别。仿真结果表明在信噪比为−6 dB时该算法对9种雷达信号(CW, LFM, NLFM, BPSK, MPSK, Costas, LFM/BPSK, LFM/FSK, BPSK/FSK)的整体平均识别率可达93.4%较常规人工提取算法具有更好的抗噪性和泛化能力。
1. 引言 近年来随着雷达技术的快速发展以低截获概率(Low Probability Interception, LPI)雷达为代表的各种新体制雷达在战场上得到了广泛的应用。战场电磁环境变得日益复杂、信号类型变化多样使得传统依靠五大常规参数载频(Carrier Frequency, CF)、脉冲宽度(Pulse Width, PW)、脉冲幅度(Pulse Amplitude, PA)、到达时间(Time of Arrival, TOA)和到达角(Direction of Arrival, DOA)组成的脉冲描述字(Pulse Description Word, PDW)已经难以满足雷达信号分选识别的实际需要 [1] [2] 。考虑到新体制雷达信号往往包含丰富的脉内信息基于脉内信息的雷达信号分选识别算法逐步成为了研究热点。
基于脉内信息的雷达信号分选识别的关键在于特征提取和分类器设计。经过多年的不断研究学者们陆续提出了时频分析、模糊函数、高阶统计量及变换域分析等方法。文献 [3] 通过Choi-Williams分布得到信号的时频图像进一步提取出时频图像的奇异值熵和信号频谱的分形维数特征最后使用基于支持向量机(Support Vector Machine, SVM)的分类器完成了对8种雷达信号的识别在信噪比大于等于1 dB时整体平均识别率达到95%文献 [4] 提出一种基于模糊函数主脊切面特征的方法构建出由主脊方向、切面重心和惯性半径组成的特征向量所提取特征较好地反映了不同信号波形的差异同时具备较好的抗噪性文献 [5] 采用直接法得到雷达信号的双谱估计基于广义维数(Generalized Dimension, GD)方法从双谱对角切片(Bispectra Diagonal Slice, BDS)中提取出3个区分度大的特征q值作为特征参数用于信号的识别在信噪比为0 dB时对4种雷达信号的整体识别率为92.2%。这些都可以归纳为人工特征提取结合机器学习的方法人工特征虽然具有计算简单、设计灵活、意义明确等优点但也存在以下几个问题一是表述能力有限。人工设计的特征往往比较简单固定只能描述某一部分的信息在处理复杂问题时容易遇到精度上的瓶颈二是特征通用性不足。针对不同问题往往需要设计不同的特征在处理新问题时某些特征的效果会大打折扣需要反复验证其有效性三是维数灾难。为了提升算法的精度会提取各种各样的特征当维数增加到一定程度后增加特征维度反而会引起精度的下降。
随着深度学习理论的不断发展鉴于它在计算机视觉中优异的模型泛化能力学者们将深度学习引入到了雷达信号分选识别领域利用各种成熟的深度学习网络模型自动提取信号的潜在特征并取得了良好的应用效果 [6] - [11] 。文献 [12] 引入一种新的核函数构建Cohen类时频分布得到雷达信号的时频图经过维纳滤波、双线性插值、灰度化等处理后送入CNN网络实现了对12种雷达信号(LFM, SFM, 2FSK, 4FSK, DLFM, EQFM, MLFM, BPSK, Frank, MP, LFM-BPSK, 2FSK-BPSK)的自动识别在信噪比为−6 dB时整体平均识别率达到96.1%文献 [13] 提出了一种包含两个独立的卷积神经网络(Convolutional Neural Network, CNN)和赫尔曼网络(Herman Neural Network, ENN)的混合分类器模型该算法信噪比大于等于−2 dB时对12种雷达信号(BPSK, LFM, Costas, Frank, P1-P4, T1-T4)的整体识别率达到94.5%。但与传统机器学习相比深度学习对数据有非常严重的依赖需要大量的样本数据学习潜在的特征而且不能有效地应用于新的任务。在雷达信号分选识别等特殊领域往往难以获得大量、高质量的训练样本。迁移学习通过使用现有的知识或模型来解决不同但相关领域的问题为机器学习和深度学习提供了一个新的思路 [14] 。基于迁移学习的深度神经网络模型不用从零开始训练而只需要在预训练网络模型的基础上对新的样本进行训练然后进行网络参数微调就可以方便快捷地达到满意的识别效果。文献 [15] 基于改进核函数的Cohen类分布得到雷达信号的时频图像使用预训练自编码器(Stacked Auto Encoder, SAE)和AlexNet结构的卷积神经网络(Convolutional Neural Network, CNN)混合模型通过迁移学习的方法完成了对12种雷达信号(Costas, LFM, NLFM, BPSK, P1-P4和T1-T4)的识别在信噪比大于等于−6 dB时平均识别率达到95.5%尽管这些算法取得了良好的识别效果但仍然存在一些问题1) 模型复杂、训练时间长2) 低信噪比下识别效果不佳3) 对复合调制类型雷达信号关注较少等。
因此本文结合时频分析、深度学习和迁移学习理论提出了一种基于迁移深度学习的雷达信号分选识别算法。该算法先通过引入多重同步压缩变换(Multi-synchrosqueezing Transform, MSST)得到雷达信号的时频图像然后对时频图像进行灰度化、维纳滤波、双三次插值法和归一化预处理运用迁移学习的思想分别基于GoogLeNet和ResNet两种预训练神经网络模型对时频图像进行离线训练最后实现了对9种雷达信号的在线识别。
2. 基于时频分析的信号预处理
2.1. 雷达脉内调制信号模型
雷达信号的脉内特征包括脉内有意调制特征和脉内无意调制特征。无意调制特征又称为指纹特征一般是人为误差产生或者雷达发射机硬件固有的非理想特性产生的固有特征可用于辐射源个体识别(Specific Emitter Identification, SEI)。有意调制特征雷达波形设计者为了实现某种特定的功能人为地加入了一些调制特征包括幅度调制、频率调制、相位调制以及两种或两种以上的混合调制特征等 [16] [17] 。本文主要针对脉内有意调制特征展开研究对指纹特征暂不做分析。
宽带接收机侦收到的雷达信号一般由信号和高斯白噪声两部分组成其信号模型可描述为
y(t)s(t)n(t)Aejϕ(t)n(t)y(t)s(t)n(t)Aejϕ(t)n(t)(1)
式中 s(t)s(t) 表示雷达信号 n(t)n(t) 表示高斯白噪声。A表示信号的幅值假设为1。 ϕ(t)ϕ(t) 表示信号的瞬时相位。9种雷达信号的调制类型分别为常规信号(Conventional Wareform, CW)、线性调频信号(Linear Frequency Modulation, LFM)、非线性调频信号(Nonlinear Frequency Modulation, NLFM)、二相编码信号(Binary Phase Shift Keying, BPSK)、多相编码信号(Multi-Phase Shift Keying, MPSK)、Costas编码信号以及LFM/BPSK、LFM/FSK和BPSK/FSK复合调制信号。
2.2. 多重同步压缩变换(MSST)
雷达信号作为一种非平稳信号包含丰富的时频域信息。典型的时频分析方法有短时傅里叶变换(Short-time Fourier Transform, STFT)、小波变换(Wavelet Transform, WT)、魏格纳-威利分布(Wigner-Vill Distribution, WVD)以及Cohen类时频分布等。其中STFT属于线性变换在实际应用中存在窗函数选择困难的缺陷WVD属于二次型变换在处理多分量复杂信号时不可避免地会产生交叉项干扰而Choi-Williams分布属于Cohen类的一种可以较好的抑制交叉项的干扰但也无法完全消除交叉项。
MSST是一种对STFT多次执行同步压缩后处理的改进算法由Yu Gang等人于2018年首次提出 [18] 具有较高的时频聚集性并且不会产生交叉项干扰较CWD具有一定优越性。
信号 的短时傅里叶变换(Short-time Fourier TransformSTFT)定义为
G(t,w)∫∞−∞g(u−t)s(u)e−jw(u−t)duG(t,w)∫−∞∞g(u−t)s(u)e−jw(u−t)du(2)
式中 g(u)g(u) 为窗函数。
选取信号模型为
s(u)A(u)ejφ(u)s(u)A(u)ejφ(u)(3)
其中 A(u)A(u) 、 φ(u)φ(u) 分别表示信号的幅度和相位。
幅度和相位的一阶泰勒级数展开式分别为
{A(u)A(t)φ(u)φ(t)φ′(t)(u−t){A(u)A(t)φ(u)φ(t)φ′(t)(u−t)(4)
信号 s(u)s(u) 可以表示为
s(u)A(t)ej(φ(t)φ′(t)(u−t))s(u)A(t)ej(φ(t)φ′(t)(u−t))(5)
于是信号 s(u)s(u) 的短时傅里叶变换(STFT)时频谱可表示为
G(t,w)∫∞−∞g(u−t)A(t)ej(φ(t)φ′(t)(u−t))e−jw(u−t)duA(t)ejφ(t)∫∞−∞g(u−t)ej(φ′(t)(u−t))−jw(u−t)d(u−t)A(t)ejφ(t)gˆ(w−φ′(t))G(t,w)∫−∞∞g(u−t)A(t)ej(φ(t)φ′(t)(u−t))e−jw(u−t)duA(t)ejφ(t)∫−∞∞g(u−t)ej(φ′(t)(u−t))−jw(u−t)d(u−t)A(t)ejφ(t)g^(w−φ′(t))(6)
对上式求偏导有
∂tG(t,w)∂t(A(t)ejφ(t)gˆ(w−φ′(t)))A(t)ejφ(t)gˆ(w−φ′(t))jφ′(t)G(t,w)jφ′(t)∂tG(t,w)∂t(A(t)ejφ(t)g^(w−φ′(t)))A(t)ejφ(t)g^(w−φ′(t))jφ′(t)G(t,w)jφ′(t)(7)
当 G(t,w)≠0G(t,w)≠0 时瞬时频率估计 wˆ(t,w)w^(t,w) 可表示为
wˆ(t,w)∂tG(t,w)jG(t,w)w^(t,w)∂tG(t,w)jG(t,w)(8)
再对时频谱执行同步压缩处理(Synchrosqueezing Transformation, SST)可表示为
Ts(t,η)∫∞−∞G(t,w)δ(η−wˆ(t,w))dwTs(t,η)∫−∞∞G(t,w)δ(η−w^(t,w))dw(9)
通过执行SST可以从频率方向压缩STFT的结果进而提高时频谱的能量聚集程度。
对得到的时频谱继续执行SST有
Ts[2](t,η)∫∞−∞Ts[1](t,w)δ(η−wˆ(t,w))dwTs[3](t,η)∫∞−∞Ts[2](t,w)δ(η−wˆ(t,w))dw ⋮Ts[N](t,η)∫∞−∞Ts[N−1](t,w)δ(η−wˆ(t,w))dwTs[2](t,η)∫−∞∞Ts[1](t,w)δ(η−w^(t,w))dwTs[3](t,η)∫−∞∞Ts[2](t,w)δ(η−w^(t,w))dw ⋮Ts[N](t,η)∫−∞∞Ts[N−1](t,w)δ(η−w^(t,w))dw(10)
图1给出了6种典型雷达信号和3种复合调制信号在信噪比为8 dB时的MSST时频图像。
2.3. 时频图像预处理
为了减少噪声对时频图像的不利影响以及得到满足分类器输入要求的时频图像需要首先对原始时频图像进行预处理具体的预处理流程如下。
Step1将时频分布原始图像转换为灰度图像
Step2采用维纳自适应滤波器去除灰度图像的噪声点对图像进行增强处理
(a) CW(b) LFM(c) NLFM(d) BPSK(e) MPSK(f) Costas(g) LFM/BPSK(h) LFM/FSK(i) BPSK/FSK
Figure 1. Nine kinds of radar signals’ MSST time-frequencyimagewhen SNR 8 dB
图1. 信噪比为8 dB时9种雷达信号的MSST时频图像
Step3运用双三次插值法将时频图像大小调整为224 × 224使所有信号的时频图像尺寸大小保持一致并减小数据量
Step4最后利用最大最小值法对图像进行归一化处理。
图2是Costas信号在信噪比为0 dB下的时频图像预处理流程。经过上述图像处理以后在最大程度地保留信号完整信息的同时基本去除了噪声和冗余信息。 Figure 2. Preprocessing of time-frequencyimage
图2. 时频图像预处理
3. 迁移深度学习
3.1. 典型预训练深度神经网络模型
3.1.1. GoogLeNet网络
GoogLeNet是由Google公司提出一种卷积神经网络模型曾在2014年的ILSVRC分类任务比赛中荣获冠军。其参数数量仅为AlexNet的1/12但精度却远远超过AlexNet。GoogLeNet的主要创新主要有两点一是用全局平均池化层替换掉了最后的全连接层从而减轻了过拟合并且模型训练的速度更快二是借鉴Networkin Network (NIN)的思想设计了Inception结构该结构能够在不显著加大计算负担的前提下更好地利用网络中的计算资源增加网络的深度和宽度。
一个简单的Inception结构如图3(a)所示。它由3组尺寸不同的卷积核及一个最大池化单元构成通过并行地处理来自上一层的输入图像然后对结果依据通道进行融合拼接。
在执行卷积运算中假如输入图像的通道数过多就会耗费大量的运算资源卷积核的参数数量也会过多此时就需要对数据进行降维处理。图3(b)为加上降维功能的Inception模块。该模块对除1 × 1卷积之外的所有卷积和池化操作均使用了1 × 1卷积运算进行降维从而减少了图像的通道数。
采用了Inception的GoogLeNet模型深度共有22层其网络结构如表1所示。
其中“#3 × 3 reduce”“#5 × 5 reduce”表示在3 × 3、5 × 5卷积操作前使用1 × 1卷积的数量。输入图像为224 × 224 × 3并且经过了零均值化的预处理操作所有降维层都采用了ReLU非线性激活函数。
3.1.2. ResNet网络
从经验来看网络的深度对模型的性能尤为重要更深层次的网络有助于提取更加复杂的特征当模型更深时取得的效果也就越好。但研究表明深度网络出现了退化问题随着网络深度的不断增加训练的准确率趋于饱和甚至出现了下降趋势。为了解决该退化问题一种称为ResNet的新型卷积神经网络模型由微软亚洲研究院何凯明团队提出它以3.6%的错误率赢得了2015年的ILSVRC分类比赛。其主要创新是提出了残差模块(Residual Block)有效解决了网络深度增加所引起的梯度消失和退化问题残差模块的结构如图4所示。
(a) 一个简单的Inception模块(b) 具有降维功能的Inception模块
Figure 3. Inceptionmodulation
图3. Inception模块 Type Patchsize/Stride Outputsize Depth #1 × 1 #3 × 3 reduce #3 × 3 #5 × 5 reduce #5 × 5 Poolproj Params Input 224 × 224 × 3 Convolution 7 × 7/2 112 × 112 × 64 1 2.7 K Max pool 3 × 3/2 56 × 56 × 64 0 Convolution 3 × 3/1 56 × 56 × 192 2 64 192 112 K Max pool 3 × 3/2 28 × 28 × 192 0 Inception (3a) 28 × 28 × 256 2 64 96 128 16 32 32 159 K Inception (3b) 28 × 28 × 480 2 128 128 192 32 96 64 380 K Max pool 3 × 3/2 14 × 14 × 480 0 Inception (4a) 14 × 14 × 512 2 192 96 208 16 48 64 364 K Inception (4b) 14 × 14 × 512 2 160 112 224 24 64 64 437 K Inception (4c) 14 × 14 × 512 2 128 128 256 24 64 64 463 K Inception (4d) 14 × 14 × 528 2 112 114 288 32 64 64 580 K Inception (4e) 14 × 14 × 832 2 256 160 320 32 128 128 840 K Max pool 3 × 3/2 7 × 7 × 832 0 Inception (5a) 7 × 7 × 832 2 256 160 320 32 128 128 1072 K Inception (5a) 7 × 7 × 1024 2 384 192 384 48 128 128 1388 K Avg pool 7 × 7/1 1 × 1 × 1024 0 Dropout (40%) 1 × 1 × 1024 0 Linear 1 × 1 × 1000 1 1000 K Softmax 1 × 1 × 1000 0
Table 1. Thestructure of GoogLeNet
表1. GoogLeNet网络结构 Figure 4. Residual block
图4. 残差模块
一个残差模块可以表示为
yiF(xi,Wi)h(xi)xi1f(yi)yiF(xi,Wi)h(xi)xi1f(yi)(11)
其中 xixi 和 xi1xi1 分别表示第i个残差块的输入和输出 F(x,Wi)F(x,Wi) 表示学习到的残差 h(xi)xih(xi)xi 表示恒等映射f为ReLU激活函数。采用残差模块的ResNet网络共有5种不同的深度其网络结构如表2所示。 类型 输出维度 18-层 34-层 50-层 101-层 152-层 conv1 112 × 112 7 × 7 , 64, stride 2 Conv2_x 56 × 56 3 × 3 , max pool, stride 2 [ 3 × 3 , 64 3 × 3 , 64 ] × 2 [ 3 × 3 , 64 3 × 3 , 64 ] × 3 [ 1 × 1 , 64 3 × 3 , 64 1 × 1 , 256 ] × 3 [ 1 × 1 , 64 3 × 3 , 64 1 × 1 , 256 ] × 3 [ 1 × 1 , 64 3 × 3 , 64 1 × 1 , 256 ] × 3 Conv3_x 28 × 28 [ 3 × 3 , 128 3 × 3 , 128 ] × 2 [ 3 × 3 , 128 3 × 3 , 128 ] × 4 [ 1 × 1 , 128 3 × 3 , 128 1 × 1 , 512 ] × 4 [ 1 × 1 , 128 3 × 3 , 128 1 × 1 , 512 ] × 4 [ 1 × 1 , 128 3 × 3 , 128 1 × 1 , 512 ] × 8 Conv4_x 14 × 14 [ 3 × 3 , 256 3 × 3 , 256 ] × 2 [ 3 × 3 , 256 3 × 3 , 256 ] × 6 [ 1 × 1 , 256 3 × 3 , 256 1 × 1 , 1024 ] × 6 [ 1 × 1 , 256 3 × 3 , 256 1 × 1 , 1024 ] × 23 [ 1 × 1 , 256 3 × 3 , 256 1 × 1 , 1024 ] × 36 Conv5_x 7 × 7 [ 3 × 3 , 512 3 × 3 , 512 ] × 2 [ 3 × 3 , 512 3 × 3 , 512 ] × 3 [ 1 × 1 , 512 3 × 3 , 512 1 × 1 , 2048 ] × 3 [ 1 × 1 , 512 3 × 3 , 512 1 × 1 , 2048 ] × 3 [ 1 × 1 , 512 3 × 3 , 512 1 × 1 , 2048 ] × 3 1 × 1 average pool, 1000-d fc, softmax FLOPs 1.8 × 10 9 3.6 × 10 9 3.8 × 10 9 7.6 × 10 9 11.3 × 10 9
Table 2. The structure of ResNet
表2. ResNet网络结构
其中网络的深度分别为183450101152它们都是先经过一个7 × 7的卷积层再连接一个最大池化操作然后进行堆叠残差块各网络中残差模块的数量依次为8163350。最后通常在网络的后端连接一个全局平均池化从而有效防止过拟合使输入输出的空间变换更具有鲁棒性。
3.2. 迁移深度学习
2005年美国国防高级研究计划局(DARPA)信息处理技术办公室(IPTO)给迁移学习确定了一个新的定义一个系统能够将从先前的任务中学到的知识和能力应用到新任务中解决问题。在这个定义中迁移学习旨在从一个或多个源任务中提取知识从而运用到目标任务 [19] 。
具体的讲给定源域 DSDS 和学习任务 TSTS 一个目标域 DTDT 和学习任务 TTTT 。迁移学习旨在将从 DSDS 和 TSTS 中学习到的知识帮助提升 DTDT 中目标预测函数 fT(.)fT(.) 的学习其中 DS≠DTDS≠DT 或 TS≠TTTS≠TT 多数情况下 DSDS 要大于 DTDT 的尺寸 NS≫NTNS≫NT 。
GoogLeNet和ResNet作为成熟的预训练网络已经对超过一百万个图像进行了训练学习到了丰富的特征借助于迁移学习将预训练好的成熟网络作为训练的初始值基于它学习新的任务通过网络微调(Fine-Tune)的方式就可以较少的训练样本快速地将已学习的特征迁移到新的任务中从而有效解决了雷达信号样本构建难和训练耗时长的问题。
3.3. 基于迁移深度学习的雷达信号分选识别算法流程
本文构建的基于迁移深度学习的雷达信号分选识别算法的系统结构框图如图5所示。 Figure 5. Theframeworkoftransferreddeep learning system
图5. 迁移深度学习系统结构框图
具体步骤如下
Step1利用MATLAB软件产生雷达信号数据集
Step2基于MSST得到雷达信号的时频图像矩阵并对时频图像进行灰度化、自适应维纳滤波、双三次插值缩放、归一化等预处理操作生成尺寸为224 × 224的图像数据集
Step3加载预训练网络(GoogLeNet或ResNet)利用迁移学习的方法保持预训练网络的参数不变替换掉最后一个可学习层和分类层构建特征迁移模块
Step4通过图层复制将图像数据集转换为224 × 224 × 3的RGB图像经过数据增强处理后构建样本集其中80%用于训练10%用于测试10%用于验证
Step5将训练集和验证集送入网络进行迁移学习训练迭代6次得到最终训练模型TraindedNet
Step6利用训练后的模型TrainedNet对测试集进行识别得到识别结果。
4. 仿真与分析
4.1. 仿真条件
本文对9种雷达信号进行分选识别由于不同雷达信号具有不同的参数为方便描述采用基于采样频率 fsfs 的均匀分布 U(.)U(.) 统一表示例如 U(1/8,1/4)U(1/8,1/4) 表示参数范围 [fs/8,fs/8][fs/8,fs/8] 在之间的随机数。详细的参数设置如表3所示统一取采样频率 fs64 MHzfs64 MHz 脉冲宽度 T16 μsT16 μs 。 雷达信号 仿真参数 取值范围 CW 载波频率 f c U ( 1 / 8 , 1 / 4 ) LFM,NLFM 初始频率 f 0 U ( 1 / 16 , 1 / 8 ) 带宽B U ( 1 / 16 , 1 / 8 ) BPSK Barker码长度L { 5 , 7 , 11 , 13 } 载波频率 f c U ( 1 / 8 , 1 / 4 ) MPSK Frank码 步进频率M { 4 , 8 } 载波频率 f c U ( 1 / 8 , 1 / 4 ) Costas 跳频序列 [ 3 , 2 , 6 , 4 , 5 , 1 ] [ 5 , 4 , 6 , 2 , 3 , 1 ] [ 2 , 4 , 8 , 5 , 10 , 9 , 7 , 3 , 6 , 1 ] 基准频率 f min U ( 1 / 24 , 1 / 20 ) LFM/BPSK 基准频率 f min U ( 1 / 24 , 1 / 20 ) 带宽 U ( 1 / 16 , 1 / 8 ) Barker码长L { 5 , 7 , 11 , 13 } LFM/4FSK 基准频率 f min U ( 1 / 24 , 1 / 20 ) 子码带宽 B c U ( 1 / 20 , 1 / 10 ) BPSK/4FSK Barker码长度L { 5 , 7 , 11 , 13 } 基准频率 f min U ( 1 / 24 , 1 / 20 )
Table 3. Parameter setting
表3. 参数设置
4.2. 不同信噪比识别准确率实验
考虑雷达信号受高斯白噪声的影响信噪比取−6~14 dB步长为2 dB。每个信噪比下每种信号各产生100组数据基于多重同步压缩变换(MSST)得到信号的时频图像并经预处理后生成224 × 224的灰度图像最后转换为224 × 224 × 3的RGB图像(其中3是颜色通道数可通过复制图层解决)用于构建样本集。其中80%用于训练10%用于测试10%用于验证。
加载新的训练样本集分别基于GoogLeNet和ResNet重新进行训练对部分网络参数进行微调利用迁移学习训练后的网络模型对9种雷达信号进行分选识别得到不同信噪比下基于两种CNN模型迁移深度学习的识别准确率结果如图6所示。
从图6仿真结果可知两种模型下基于迁移深度学习的识别算法在信噪比大于−4 dB时对9种雷达信号的识别准确率均达到90%以上在信噪比大于0 dB时9种雷达信号的识别准确率均达到了100%证明了基于迁移深度学习实现对雷达信号自动分选识别的算法具有较高的抗噪声性能和泛化能力。
(a) 基于GoogLeNet迁移学习(b) 基于ResNet迁移学习
Figure 6. The recognition accuracy of nine kinds of radar signal under different SNR
图6. 不同信噪比下9种雷达信号的识别准确率
4.3. 抗混淆性能分析
为了进一步验证模型识别的准确性分别基于GoogLeNet和ResNet迁移学习得到测试样本的混淆矩阵结果如图7所示。
从混淆矩阵可以看出ResNet模型的平均识别准确率更高对9种雷达信号的平均识别率达到了99.51%高于GoogLeNet模型约0.14%。结果表明经过图像预处理后得到的MSST时频图像能够较完整地反映雷达信号的有效信息基于迁移深度学习模型自动提取的特征信息更加地精细识别的准确性更高。
(a) 基于GoogLeNet(b) 基于ResNet
Figure 7. The confusionmatrixoftestsample
图7. 测试样本混淆矩阵
4.4. 算法对比
为进一步分析基于迁移深度学习算法的性能下面将本文算法与文献 [12] 和 [13] 算法进行比较。两种算法对9种雷达信号的识别率曲线如图8所示。
由图8可以看出本文提出的算法整体平均识别率明显优于文献 [12] 和 [13] 算法。在信噪比为时−6 dB时采用改进Cohen类分布和CNN模型的文献 [12] 算法识别率为82.5%这是由于该算法使用了过多的去噪图像预处理损失了大量细节信息并且所用的改进Cohen类时频分布对复合调制信号的处理能力
(a) 整体(b) LFM(c) CW(d) NLFM(e) BPSK(f) MPSK(g) Costas(h) LFM/BPSK(i) LFM/FSK(j) BPSK/FSK
Figure 8. The comparison between this paper and reference [8] [9]
图8. 算法性能对比
较差采用人工提取特征的文献 [13] 算法的整体平均识别率仅能达到65.1%这是由于该算法采用人工提取的特征容易受到噪声的影响同时该算法未对复合调制信号进行研究而本文基于GoogLeNet和ResNet迁移深度学习的算法在信噪比低于−6 dB时整体平均识别率仍然可以达到93.4%。在更高信噪比下对9种雷达信号的识别率普遍优于其他两种算法。这是因为该算法基于MSST时频分布和迁移深度学习自动挖掘的时频域高维特征表征能力更强模型的抗噪性和泛化能力更为优秀同时较常规的深度学习模型算法计算量更小有助于工程上的实现。
5. 结论
本文提出了一种基于时频分析、深度学习和迁移学习的融合模型并应用于雷达信号的自动分选识别中。该算法引入了多重同步压缩变换(MSST)得到信号的时频图像然后利用灰度化、维纳滤波、双三次插值法和归一化等手段对时频图像进行预处理操作最后基于迁移深度学习的方法以两种预训练模型(GoogLeNet和ResNet)对时频图像样本进行重新离线训练通过网络参数微调得到了新的融合模型可以实现对9种雷达信号的自动识别。仿真结果表明该算法模型简单、计算量小在信噪比为−6 dB时对9种雷达信号的识别率可达93.4%具有较高的抗噪声性能和泛化能力。 我们的服务类型
公开课程
人工智能、大数据、嵌入式
内训课程
普通内训、定制内训
项目咨询
技术路线设计、算法设计与实现图像处理、自然语言处理、语音识别
